针对约减轮数 Simeck32/64 的改进差分-神经密码分析
密码学与安全
2023-01-30 v1 人工智能
摘要
在 CRYPTO 2019 上，Gohr 通过构建带有神经网络的差分区分器提出了差分-神经密码分析，实现了对 Speck32/64 实用的 11 轮和 12 轮密钥恢复攻击。受此框架启发，我们开发了兼容 Simeck 轮函数的 Inception 神经网络，以提高神经区分器的准确率，从而改进了 Simeck32/64 的 (9-12) 轮神经区分器。为给神经区分器提供坚实的基线，我们计算了由某一特定输入差分在多达 13 轮 Simeck32/64 上所诱导差分的完整分布。此外，还评估了基于 DDT 的区分器在多密文对下的性能。与基于 DDT 的区分器相比，9 轮和 10 轮神经区分器取得了更好的准确率。同时，对错误密钥响应曲线的深入分析表明，子密钥的第 12 和第 13 位对神经区分器得分影响甚微，从而加速了密钥恢复攻击。最后，我们对 Simeck32/64 实施了增强的 15 轮以及首个实用的 16 轮和 17 轮攻击，且 15 轮和 16 轮攻击的成功率均接近 100%。
引用
@article{arxiv.2301.11601,
title = {Improved Differential-neural Cryptanalysis for Round-reduced Simeck32/64},
author = {Liu Zhang and Jinyu Lu and Zilong Wang and Chao Li},
journal= {arXiv preprint arXiv:2301.11601},
year = {2023}
}
备注
22 pages, 3 figures